Parameter-Efficient Adaptation of Protein Language Models for Dual-Target Antimicrobial Peptide Discovery Under Strict Homology Constraints
本文介绍了一种基于 ESM-2 和 LoRA 的参数高效型多任务迁移学习框架，该框架成功克服了冻结蛋白质语言模型在严格同源性约束下预测抗菌效力和溶血毒性的局限性，从而能够发现具有优异治疗指数的高度选择性抗菌肽。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
世界正面临着药柜中的一场无声危机。几十年来，医生一直依赖小分子化学物质来杀死细菌，但这些细菌正在学会如何生存，进化出防御机制，使我们最强大的药物变得无用。这种日益严重的耐药性威胁着要将常规感染变成致命事件。作为回应，科学家们正转向自然界的自身军械库：抗菌肽。这些是氨基酸（蛋白质的构建单元）的短链，在许多生物体的免疫系统中充当第一道防线。与针对特定内部机制的传统抗生素不同，这些肽通过物理攻击细菌细胞的外壳，在其上钻孔直到细胞破裂来发挥作用。这种攻击方式让细菌更难产生抵抗力。然而，这里有一个显著的陷阱。由于人类细胞和细菌细胞的外壳具有一些相似特征，这些强大的肽往往也会损伤人类血细胞，产生的毒性使其无法作为药物使用。
研究人员面临的挑战在于，如何设计出既足够凶猛以杀死细菌，又足够温和以不对人类细胞造成伤害的肽。长期以来，计算机模型难以做出这种区分，在被要求预测一种新肽对人类细胞与对细菌的行为时经常失败。来自巴基斯坦国家计算机与新兴科学大学的 Ramsha Jat 和 Syeda Ravia Ejaz 的一项最新研究为这个问题提供了一种新方法。他们开发了一个计算机系统，该系统能够学习识别哪些是杀死细菌的肽，哪些是危害人类的肽，同时确保系统学习的是通用规则，而不仅仅是死记硬背特定的例子。
研究人员将他们的系统构建在一个名为 ESM-2 的庞大的、预先存在的生成式人工智能模型之上。该模型已经接受了数亿个蛋白质序列的训练，这赋予了它对蛋白质结构及其行为的深刻且直觉性的理解。然而，仅仅要求这个庞大的模型预测药物的有效性效果并不理想，尤其是在测试未见过的序列时，该模型显得过于僵化。为了解决这个问题，团队在巨大的模型之上添加了一个非常小且灵活的学习层。想象一下，那个巨大的模型是一个无法被改写的庞大知识库，而新的图层则是研究人员可以书写的一组便签纸。他们只调整了系统中总信息的约 0.70%，这种技术被称为参数高效适配。这使得他们能够在不破坏其对生物学广泛理解的情况下，教导模型关于抗菌肽的特定规则，且不需要巨大的计算能力。
这项任务最困难的部分是教计算机同时平衡两个相反的目标。系统需要学习预测肽杀死细菌的能力，同时还要学习预测其对人类红细胞的毒性。通常，当计算机试图同时学习两个困难的任务时，它会感到困惑，并且在其中一个或两个任务上的表现都会下降。研究人员通过给计算机一种决策方式来解决这个问题，即让它决定在学习过程中对每个任务投入多少注意力。如果系统在预测毒性方面遇到困难，它会自动转移重心以改进该领域，而不是让预测杀菌效果这一较容易的任务主导整个学习过程。这种动态平衡的行为使系统能够掌握这两项技能，而不会产生相互干扰。
当团队测试他们的系统时，结果较以往方法有了显著提升。他们使用了一项旨在防止数据泄露的严格测试来评估模型，即要求计算机预测与训练期间所见内容截然不同的肽的行为。在这些严苛的测试中，新系统成功地以极高的准确度预测了肽对大肠杆菌的效力，远超那些依赖于冻结模型或简单线性推测的旧方法。更重要的是，它在预测人类毒性方面也比以前更加可靠，而这曾是令即使是最先进的模型也感到棘手的任务。该系统成功找到了数据中的清晰模式，将特定的肽结构特征与其安全性特征联系起来。
为了证明该系统在现实世界中的实用性，研究人员使用它筛选了一个由 749 种从未存在过的全新设计的肽组成的库。计算机分析了每一个肽，预测了它们杀死细菌的能力以及对人类细胞造成潜在伤害的可能性。从这个庞大的群体中，该系统成功分离出了少量极具前景的候选者。表现最好的候选者展现出了卓越的平衡：它们被预测为在杀死细菌方面极其有效，同时对人类细胞几乎完全安全。其中表现最好的候选者被预测其治疗指数（衡量安全性相对于有效性的指标）超过 144。这意味着杀死细菌所需的剂量比造成人类细胞伤害的剂量小 144 倍以上。相比之下，该系统正确识别并拒绝了其他具有高毒性的肽，过滤掉了那些可能导致人体血液损伤的肽。
这项工作表明，通过仔细适配大型预训练人工智能模型，科学家可以释放设计救命药物的新能力。研究显示，只要系统经过正确的约束和平衡机制训练，就可以教会计算机理解救命良药与有毒物质之间的细微差别。虽然这些发现目前基于计算机模拟，仍需进一步的实验室测试以确认其在生物体内的安全性和有效性，但该研究为加速下一代抗生素的发现提供了一个强大的工具。它为对抗耐药细菌提供了前进的路径，并暗示医学的未来可能在于那些足够聪明、能够分辨敌友的肽。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。